徐勇飞,霍亚南,沈思兰,姚瑶,王玲萍,赵琳慧
(江西省人民医院南昌医学院第一附属医院1.远程会诊中心;2.内分泌骨质疏松科;3.心电生理科;4.党委办公室;5.南昌大学第一附属医院神经内科,南昌 330006)
根据联合国2019年报道世界上老年人口达到7.03亿,预计在2050年将达到15亿[1]。中国老年人口增长迅速,在2019年底达到1.76亿,占全国总人数12.6%[2],随着社会经济的发展,人口老龄化及生活方式改变,心血管疾病危险因素逐渐增加,导致心血管发病率持续上升。根据《中国心血管健康疾病与疾病报2020》推算(CerebroVaxcular Disease,CVD)现患人数3.3亿[3]。CVD是目前全球居民主要致死原因之一[4]。给社会及个人带来严重的经济负担。心率失常是导致心脏病患者发病和死亡的主要原因之一[5],根据心电图ECG对心率失常进行分类对冠心病的预防和诊断至关重要[6-7]。远程心电监测基于心电云平台,通过互联网技术进行远距离心电信号监测,实时诊断并传回异常信息的智能化网络心电监护。院前远程心电监测对CVD高危患者的优势尤为明显[8]。人工智能(Artificial Intelligence,AI)化的远程心电监测可以实现自动分析全导联心电图,并能准确地识别心搏和形态聚类并发出预警报告。通过AI远程心电监测可以提高心律失常检出率,降低心率失常的漏诊率及误诊率,早期发现心率失常和防治心血管相关疾病。本文就人工智能化的远程心电监测临床应用与现状进行综述。
远程心电监测首次是由Daniel David于1988年建立的电话心电远程监测(Tele Telephone ECG TTECG)。随着互联网、医疗科技的迅速发展,远程心电监测建立了以家庭为单位的心电监测和远程健康系统,并应用于基层医疗机构,在院前急救、院外诊断发挥着重要的作用。近年来,国家卫生研究所将使用数字技术的实用试验作为优先事项[9]。人工智能的应用和相关研究逐渐增加,同时人工智能已成为发达国家的国家战略,广泛应用于医学影像、营养学、医院管理、健康管理、心电监测、病理学和诊疗活动等相关医疗领域。
1.1 国外人工智能化远程心电监测现状Einthoven被誉为“心电图之父”,在1903年发明的弦线式心电图描记器,第一次记录到人体心电图,并于1906年通过电话线成功的传输了ECG信号。随着社会经济的快速发展,电极、无线连接和电池的发展促进了ECG模式的发展。例如:Meng在2006基于无线传感器网络技术创建了一个用于远程心电图监测的远程心脏病学传感器网络[10]。Mustafa于2019开发一个轻量级的模型来有效和安全地处理心电图信号,使心电图信号可以在世界任何地方传输[11]。美国心脏协会的白皮书证实数字临床试验具有巨大的潜力[12],例如:Emilly认为年龄是影响心电图疾病的危险因素,提出人工智能(AI)预测的心电图年龄可以作为心血管健康的一个衡量指标[13],Yao基于心电图的AI算法进行了相关试验研究[14];AI应用于ECG的研究逐渐增多。
1.2 国内人工智能化远程心电监测现状 我国的远程心电监测发展可以分电话传输、基于Internet的PC控制、GPRS移动通信远程心电监测3个阶段。远程心电监测最早在1996年由福建省两所医院联合医院引入[15],通过电话传输,对院外监测人员进行监测。李杰等[16]在2007年设计了一种基于Internet便携式的可对患者进行远程心电实时监护的系统,实现了便携式设计和数据的实时发送。朱刘松等[17]在2020年依托电信物联网卡将终端采集数据通过4G信号传送至基站,实时进行心电监测。与其他国家相比,我国因为缺少平台和管理等原因,远程心电监测技术处于推广期[18]。随着互联网技术产业的发展,互联网的应用在医学领域有很多应用价值[19]。2018年国务院办公厅印发《关于促进“互联网+医疗健康”发展的意见》提出研发基于人工智能的临床诊疗决策支持系统,延伸优质医疗资源到基层医疗卫生机构[20]。人工智能化的远程心电监测有助于提高心血管疾病检出率,具有良好的发展前景;并随着互联网术产业的发展,互联网的应用在医学领域有很多应用价值[19]。
人工智能化的远程心电监测心电云平台的基础上,通过4G/5G网络将患者12导联同步采集数据传输至监测系统,人工智能进行全导联分析,并发出预警。降低心血管疾病的漏诊率,提高心律失常检出率。
2.1 人工智能化远程心电监测房颤(AF)由于经济增长、人口老龄化以及西方国家和亚洲人口危险因素的发病率增加等原因,房颤等最常见的心律失常的全球患病率和成本预计会快速性增长[21-22]。不幸的是,房颤发作通常无症状[23],对于有危险因素(年龄、高血压、左室功能障碍、瓣膜病)的患者,房颤的诊断通常有症状(心悸、晕厥、呼吸困难等)诊断,必须通过心电图(12导联、动态、监测)进行确认。房颤影响发病率和死亡率最常见因素是持续心律失常,通过房颤识别对减少中风的发生至关重要[24]。基于人工智能化的远程心电监测能自动监测出房颤,便携式远程心电监测能提高AF检出率[25-26]。梅奥诊所老龄化研究(Mayo Clinic Study Of Aging,MCSA)是一项以前瞻性人群为基础的受试者队列,用于研究轻度认知障碍和痴呆症的患病率、发病率和危险因素[27]。一种应用于窦性心律心电图的人工智能算法最近已被证明可以检测同时发生的偶发性AF[28]。并且有研究表明基人工智能能减少判断假阳性房颤所需要的时间和精力[29]。人工智能、深度神经网络(Deep neural networks DNN)已被应用于预防、诊断、风险分层和治疗等医疗保健当中[30]。
2.2 人工智能化远程心电监测急性心肌梗死(AMI)急性心肌梗死(Acute myocardial infarction AMI)可根据心电图检查结果分为ST段抬高型心肌梗死(STEMI)及非ST段抬高型心肌梗死(NSTEMI)。STEMI由于冠状动脉血供急剧减少或中断,相应的心肌严重而持久地急性缺血导致心肌坏死。STMEI患病率随着世界人口老龄化逐渐升高,在CVD疾病当中,STEMI是最严重和最具挑战性的疾病[31],其发病急,死亡率高。患者延迟是STEMI在世界范围内未解决的问题,Li[32]等作者研究中表明患者的平均延迟(从症状出现到到达医院的时间)高达4小时,而最近的ACC/AHASTEMI[31]指南和最近的欧洲冠状动脉重建[33]指南都注意到患者的长期延迟,因为它代表了STEMI患者治疗中联合国解决的主要问题。Yifan等学者开发了一种基于人工智能的算法来进行STEMI识别,结果表明该系统具有高灵敏度及高特异性[34]。基于人工智能预警的ECG系统可能能提高STWMI诊断的效率性和准确性。
我国心血管疾病死亡占居民疾病死亡的40%以上,并且其发病率仍处于持续上升阶段[35]。远程心电监测通过远距离的对CVD高危人群进行监测,基于人工智能预警ECG系统能进行全导联同步分析,提高QRS的敏感度。在低收入和中等收入国家,对准确的自动识别需求最为严重,这些国家造成了75%以上与CVD有关的死亡[36]。人工智能化远程心电监测能自动分析危及波形发出预警并辅助基层医疗机构进行ECG诊断,能有效的提高心率失常检出率,早期发现心率失常及时就医。减轻了个人和社会的经济负担,并在防治CVD疾病方面具有重大意义。近年来,基于人工智能化的远程心电监测研究逐渐增加。在我国大力推广人工智能的大环境下,将人工智能与远程心电结合具有良好的应用效果且具有良好的发展前景。